HULWANI, Zati and Sediyono, Eko and Surarso, Bayu (2024) KOMBINASI K-NEAREST NEIGHBOR TERMODIFIKASI DENGAN CERTAINTY FACTOR PADA SISTEM PAKAR UNTUK DETEKSI PENYAKIT MALNUTRISI. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text Cover.pdf Download (17MB)
	Text Bab I.pdf Download (839kB)
	Text Bab II.pdf Download (1MB)
	Text Bab III.pdf Restricted to Repository staff only Download (2MB)
	Text Bab IV.pdf Restricted to Repository staff only Download (2MB)
	Text Bab V.pdf Download (747kB)
	Text Daftar Pustaka.pdf Download (938kB)

Abstract

Malnutrisi masih menjadi tantangan kesehatan utama di negara berpenghasilan rendah dan menengah. Penelitian ini mengusulkan metode deteksi penyakit malnutrisi dengan menggabungkan Certainty Factor (CF) dan K-Nearest Neighbor Termodifikasi (Modified K-NN). CF digunakan untuk mendapatkan nilai kepastian gejala pasien, sedangkan KNN Termodifikasi mengklasifikasikan data gejala ke dalam kelas penyakit berdasarkan kedekatan dengan data training. Nilai CF gejala dikombinasikan dengan CF aturan untuk memperoleh CF akhir setiap penyakit. KNN Termodifikasi menghitung jarak Euclidean, validitas, dan weight voting untuk menentukan kelas data testing. Hasil pengujian cross-validation dengan 20 data testing menunjukkan akurasi 95% untuk metode gabungan CF-KNN Termodifikasi. Pada kasus uji, CF mengindikasikan kecenderungan Kwashiorkor, yang kemudian dikuatkan oleh KNN Termodifikasi dengan mayoritas data terdekat terklasifikasi sebagai Kwashiorkor.
Kata kunci: Faktor Kepastian, Malnutrisi, K-Nearest Neighbor Termodifikasi (Modified K-NN), Sistem Pakar

Malnutrition remains a major health challenge in low and middle-income countries. This research proposes a method for detecting malnutrition diseases by combining Certainty Factor (CF) and Modified K-Nearest Neighbor (MKNN). CF is used to obtain certainty values of patient symptoms, while MKNN classifies symptom data into disease classes based on proximity to training data. The CF values of symptoms are combined with rule CF to obtain the final CF for each disease. MKNN calculates Euclidean distance, validity, and weight voting to determine the class of testing data. Cross-validation testing results with 20 testing data show 95% accuracy for the combined CF-MKNN method. In the test case, CF indicated a tendency towards Kwashiorkor, which was then reinforced by MKNN with the majority of nearest data classified as Kwashiorkor.
Keywords: Certainty Factor, Malnutrition, Modified K Nearest Neighbor, Expert Systems

Actions (login required)

View Item